Tokenomics : comment l’IA est réellement utile aux entreprises mondiales

L’enthousiasme des entreprises pour l’IA générative a atteint une limite bien réelle : la facture à payer. Après une première phase au cours de laquelle les dirigeants et les leaders technologiques ont encouragé les employés et les développeurs à utiliser autant que possible les chatbots, les assistants de programmation et les agents autonomes, de nombreuses entreprises ont découvert que la consommation pouvait croître plus rapidement que les bénéfices économiques.

Le problème concerne principalement les tokens, les unités avec lesquelles le travail des modèles linguistiques est mesuré et souvent facturé. Chaque requête envoyée à un système d’IA est décomposée en tokens, tout comme la réponse produite par le modèle. Dans les systèmes plus avancés, le contexte accumulé, les documents traités et, dans certains cas, les étapes de raisonnement interne entrent également dans le calcul.

La diffusion de l’IA a donc ouvert un nouveau domaine d’analyse économique, déjà défini comme la « tokenomics » : l’étude de la manière dont la capacité informatique est produite, achetée, consommée et transformée en résultats commerciaux. Il ne s’agit plus seulement de choisir le modèle le plus puissant. Les entreprises doivent comprendre quelle activité génère de la valeur, combien coûte sa réalisation et s’il serait plus rentable de la sous-traiter à une personne, à un logiciel traditionnel ou à un modèle moins sophistiqué.

Une dépense difficile à lire dans les bilans

Les entreprises sont bien conscientes des coûts liés à l’énergie, au personnel, à l’immobilier et aux licences de logiciels. La consommation de tokens n’a cependant pas encore de règles et de paramètres comptables partagés. Une même opération peut nécessiter des puissances de calcul très différentes selon le modèle, la longueur des instructions, les documents fournis et le nombre de tentatives nécessaires.

Howard Rubin, économiste et consultant en dépenses technologiques, a décrit les jetons comme une monnaie pour laquelle les dirigeants n’ont pas encore développé d’intuition. L’IA est traitée comme un investissement, mais le retour reste incertain lorsqu’il n’existe pas d’outils capables de relier la facture du fournisseur aux revenus, aux économies ou au travail réellement produit.

La comparaison la plus proche concerne les matières premières énergétiques. Le pétrole brut est transformé en essence, en diesel et en d’autres carburants, dont les prix peuvent être comparés à l’aide de mesures standards. Les jetons dérivent plutôt de l’utilisation d’électricité, de semi-conducteurs, de mémoire et d’infrastructure cloud, mais il n’existe pas encore d’unité universelle permettant de comparer leur efficacité économique.

Un jeton représente généralement un morceau de texte, et non une quantité constante d’énergie ou de travail. Deux modèles peuvent utiliser un nombre différent de jetons pour obtenir des résultats similaires. Certains systèmes peuvent également continuer à traiter une tâche sans trouver de solution, accumulant ainsi des coûts sans produire de résultat utilisable.

Les dépenses augmentent plus vite que les prix

Le prix unitaire des modèles a diminué dans de nombreuses catégories, mais la consommation globale a augmenté. Bain & Company a calculé qu’entre décembre 2024 et décembre 2025, le coût moyen par jeton a diminué de plus de moitié, tandis que le nombre de jetons utilisés a augmenté d’environ 4,5 fois. La réduction des tarifs n’a donc pas empêché les dépenses totales en matière d’IA de plus que doubler.

Le phénomène n’est pas sans rappeler ce qui s’est produit avec le cloud computing : des services de moins en moins chers pour chaque opération ont favorisé une expansion beaucoup plus large de la consommation. Dans le cas de l’IA, cependant, la demande peut croître plus rapidement car les nouveaux agents ne se contentent pas de répondre à une demande. Ils peuvent consulter des archives, écrire et vérifier du code, interroger d’autres modèles et répéter automatiquement des séquences de travail entières.

Une recherche publiée en avril 2026 a analysé la consommation de huit modèles avancés utilisés dans des tâches de programmation autonomes. Selon les auteurs, une tâche confiée à un agent peut nécessiter jusqu’à mille fois les jetons utilisés dans une conversation codée normale. En effectuant plusieurs fois la même tâche, la consommation peut varier jusqu’à trente fois sans une dépense plus importante garantissant une plus grande précision.

Cette variabilité rend les contrôles budgétaires traditionnels insuffisants. Une entreprise peut connaître le prix d’un million de jetons, mais ne pas savoir à l’avance combien elle en aura besoin pour réparer un programme, gérer un dossier d’assurance ou préparer une proposition commerciale.

La naissance des standards tokenomiques

Le 3 juin 2026, la Linux Foundation a annoncé la création de Tokenomics Foundation, un projet visant à définir des normes ouvertes, des références et des meilleures pratiques pour une gestion rentable de l’infrastructure d’IA. Les organisations qui ont manifesté leur soutien incluent Accenture, Google Cloud, IBM, JPMorgan Chase, Microsoft, Oracle, Salesforce, SAP et ServiceNow. (

L’objectif est d’étendre les critères déjà développés par FinOps, la discipline qui permet aux entreprises d’attribuer et de contrôler les coûts variables du cloud, à la consommation de tokens. Les entreprises doivent pouvoir comparer les modèles et les fournisseurs grâce à des informations cohérentes : coût par tâche, consommation d’énergie, temps d’exécution, niveau de précision et valeur du résultat.

Aujourd’hui, cette transparence est limitée. Les jetons peuvent être comptés différemment selon les modèles et vendus à des prix différents sur les plateformes cloud. Les tarifs déclarés ne reflètent pas nécessairement les coûts industriels supportés par les laboratoires. Les fabricants peuvent accepter des marges réduites pour gagner des clients, accroître l’utilisation de leurs systèmes ou renforcer leur position sur le marché.

Du coût par token au résultat produit

Les entreprises adoptent des plateformes qui associent la consommation de l’IA à des résultats vérifiables. Dans le travail des développeurs, par exemple, les dépenses peuvent être liées au nombre de fonctionnalités terminées, de bugs corrigés ou de réduction des délais de livraison.

Les sociétés de gestion des coûts recommandent de fixer des limites à l’utilisation de modèles plus coûteux. Lorsqu’un service épuise le budget qui lui est alloué, il peut déplacer les tâches moins complexes vers des modèles moins chers ou open source. Ce choix oblige les managers à distinguer les tâches qui nécessitent la réalisation d’un modèle frontière de celles qui peuvent être réalisées avec des outils plus légers.

Les économies peuvent également provenir mise en cache. Lorsqu’un modèle a déjà traité certaines instructions ou informations, certains fournisseurs vous permettent de le réutiliser à un prix inférieur. Les agents peuvent également attribuer des tâches simples à de petits modèles, réservant ainsi des systèmes plus puissants aux décisions difficiles.

At&t, selon un cas cité par Bain, a réorganisé la consommation d’environ huit milliards de jetons par jour en demandant aux agents principaux de répartir le travail entre des modèles spécialisés plus petits, au lieu d’envoyer chaque demande aux systèmes les plus avancés.

L’IA entre dans le coût du travail

L’une des questions les plus délicates concerne la classification des dépenses. Les licences initiales des chatbots et des assistants étaient souvent payées avec des fonds destinés à des logiciels ou à des projets expérimentaux. Avec une utilisation quotidienne, les jetons commencent à concurrencer les services de conseil, les services externes et les nouvelles recrues.

Bain a développé un scénario dans lequel les agents, les jetons et les données pourraient remplacer à moyen terme entre 20 et 30 % des dépenses d’exploitation actuelles liées au personnel dans certaines entreprises technologiques. Le cabinet de conseil précise qu’il s’agit d’une hypothèse et non d’une prédiction. Dans les entreprises plus avancées, les dépenses courantes par token représentent encore 1 à 2 % des frais de personnel.

Certaines entreprises ont déjà commencé à traduire le coût de l’IA en « effectifs virtuels ». Les dépenses annuelles en systèmes sont divisées par le coût moyen du salaire et des avantages sociaux d’un employé. Le résultat indique combien de travailleurs théoriques correspondent au budget technologique. Les revenus sont ensuite comparés à la somme des employés humains et des agents numériques.

La métrique vous permet de formuler une vérification directe : l’ajout de capacité virtuelle a-t-il généré des ventes, augmenté la production ou réduit le temps ? Lorsque l’effet n’apparaît pas, l’IA peut simplement compresser les bords.

Les investissements courent, les rendements restent inégaux

Selon le rapport 2025 de Menlo Ventures, les entreprises ont dépensé environ 37 milliards de dollars en IA générative, contre 11,5 milliards de dollars en 2024. Environ 19 milliards de dollars ont été consacrés aux applications utilisées directement par les employés et les clients. Les entreprises ont donc privilégié des outils capables de promettre des résultats immédiats dans les activités de programmation, de vente, d’assistance et d’administration.

Toutefois, la croissance ne prouve pas que tous les projets sont rentables. Les effets dépendent de l’intégration dans les processus métiers, de la qualité des données et de la capacité des collaborateurs à utiliser les modèles. Installer un assistant ne suffit pas lorsque les procédures restent inchangées ou lorsque le résultat n’est pas maîtrisé.

Jue Wang, associé chez Bain, a indiqué que le manque de personnes capables de transformer l’IA en nouveaux processus de production est l’une des principales contraintes. Les entreprises peuvent acheter davantage de puissance de calcul, mais elles doivent néanmoins trouver suffisamment de compétences pour concevoir des flux de travail, évaluer les réponses et déterminer quand une intervention humaine reste nécessaire.

Il manque des données complètes sur le marché

Tokenomics est également confronté à un problème statistique. Il n’existe pas d’échange de jetons centralisé, ni de marché à terme capable d’indiquer les attentes en matière de prix. Les enquêtes publiques ne mesurent pas encore en détail combien les entreprises dépensent, quels modèles elles utilisent et quels résultats elles obtiennent.

Un document de travail publié par le Bureau national de recherche économique en juillet 2026 a analysé 380 000 milliards de jetons consommés sur plus de 400 modèles disponibles sur OpenRouter. L’échantillon représente environ 2 pour cent de la consommation mensuelle mondiale estimée par les auteurs. L’étude a construit un indicateur pour mesurer la manière dont les marchés financiers évaluent l’exposition des entreprises à la demande d’IA. Le travail n’a pas encore été évalué par des pairs.

La disponibilité de données plus précises permettrait de distinguer les applications capables d’augmenter la productivité de celles qui ne génèrent qu’une plus grande consommation. Rendre visibles ces résultats sera également déterminant pour les choix au travail : un token bon marché ne remplace pas automatiquement un employé, tandis qu’un système coûteux peut s’avérer pratique lorsqu’il réduit les erreurs, accélère un service ou permet de réaliser des activités auparavant impossibles.

Les entreprises ont dépassé la phase où le simple recours à l’IA était considéré comme un indicateur d’innovation. Ils doivent désormais démontrer que chaque augmentation de capacité numérique génère un bénéfice qui dépasse le coût. Tant que fournisseurs et clients n’auront pas adopté des mesures communes, le token restera un poste de dépense simple à acheter et difficile à évaluer.